关于具有能量收集客户端的联邦学习
信号处理
2022-02-17 v1 信息论
机器学习
math.IT
摘要
为满足物联网设备的激增与边缘端分布式机器学习的需求，本文提出一种能量收集联邦学习（EHFL）框架。能量收集（EH）的引入意味着客户端参与任何联邦学习（FL）轮次的可用性无法得到保证，这使理论分析复杂化。我们推导了新的收敛界，刻画了由于参与客户端的随机EH特性导致的时间变化设备可用性对于并行和局部随机梯度下降（SGD）在非凸损失函数下的影响。结果表明，采用统一的客户端调度以最大化整个FL过程中最小客户端数量是可取的，这通过使用真实世界FL任务和一种最先进的EH调度器的数值实验得到进一步证实。
引用
@article{arxiv.2202.06105,
title = {On Federated Learning with Energy Harvesting Clients},
author = {Cong Shen and Jing Yang and Jie Xu},
journal= {arXiv preprint arXiv:2202.06105},
year = {2022}
}
备注
Full version of accepted ICASSP 2022 paper